Самообслуживание в бизнес-аналитике – не только визуализация, но и полноценная работа с данными

Обеспечение заданного качества данных — неотъемлемая часть процесса подготовки данных для систем бизнес-аналитики. Процесс обеспечения качества невозможно вырвать из общего процесса подготовки данных, а сам обобщенный процесс подготовки данных не имеет смысла без контроля качества данных. В любой организации максимальную ценность приносят не абстрактные «качественные данные», а пользователи-предметники, точно знающие как формулировки решаемых ими задач, так и необходимые и достаточные требования к качеству данных, используемых при решении конкретных проблем бизнеса. Однако, максимальная производительность достигается, когда бизнес-пользователи решают бизнес-задачи в режиме самообслуживания, в одном инструменте проходя все стадии. Кроме этого, максимальная ценность от уже решенных задач возможна лишь когда накапливается экспертиза, полученная в рамках решения отдельных задач, обобщается и в рамках компании доступна всем заинтересованным пользователям. Это справедливо и для любых вопросов обеспечения качества данных. Доклад посвящен обсуждению создания и опыта эксплуатации инструмента бизнес-аналитики «3 в 1», позволяющего быстро выполнять первичную оценку имеющихся данных; приводить качество данных к необходимому уровню в разрезе конкретной бизнес-задачи; использовать подготовленные данные для решения задачи.

Качество данных – основа цифровой компании будущего

Доклад посвящен обсуждению современных тенденций при работе с данными, а также условий получения синергетического эффекта при развертывании системы управления качеством данных. Разбираются основные проблемы с данными для новых решений. Кроме этого подробно анализируются вопросы создания корпоративного Data Lakehouse; реальные наборы метрик качества; компоненты системы управления качеством данных и платформы, адекватные задаче обеспечения качества данных.

Как встроить ИИ в конвейер очистки НСИ

Большие языковые модели сегодня на пике хайпа, однако реальную пользу бизнесу они принесут, лишь став частью автоматизированных корпоративных бизнес-процессов, однако недостаточно просто переписываться в чате с уточнениями – требуется встраивание модели в системы принятия решений и аналитической обработки. Все это требует интеграции с существующими информационными системами; качественной подготовки и предварительной обработки данных; обеспечения автоматического обращения к LLM-моделям; организации тщательной проверки на соответствие бизнес-правилам; обеспечения надежности и отказоустойчивости решения; контроля безопасности. Это далеко не полный список операций, которые должен обеспечить пользователь. Решение Low-Code позволяет упростить применение языковых моделей, однако возникает вопрос: как эффективно интегрировать Low-Code с LLM-моделями для создания действительно полезных решений? Доклад посвящен ответу на этот вопрос на примере разбора проекта очистки и стандартизации нормативно-справочной информации (НСИ), результатом которого стала корректная стандартизация более 80% базы НСИ. Особое внимание уделено анализу преимуществ, полученных от использования LLM-моделей для стандартизации НСИ, благодаря встраиванию нейросети в конвейер автоматизированной обработки, интегрированный непосредственно в бизнес-процессы компании.

MDM как инструмент обеспечения качества данных

Качество данных имеет важнейшее значение для построения эффективного бизнеса, играя ключевую роль в принятии обоснованных решений и оптимизации процессов. Master Data Management (MDM) – комплексный подход к управлению основными данными, обеспечивающий контроль и повышение качества данных, их целостность и точность, а также согласованность на всех уровнях. Как MDM помогает выявить и устранить проблемы с качеством данных? Какие технологии, включая интеграцию, очистку и обогащение данных, формируют основу для эффективного использования систем MDM? Как синергия MDM и инструментов бизнес-аналитики обеспечивает поддержку принятия различных решений и управления, основанного на данных? Доклад посвящен ответам на эти и другие вопросы. Особое внимание уделено анализу примеров внедрения систем MDM и его влияния на бизнес-процессы.

Каталог данных и управление качеством данных: 1+1=3

Управление качеством данных – это комплексный и системный процесс, включающий ведение проверок и их классификацию, мониторинг и анализ причин идентифицированных проблем, составление и контроль SLA, формирование дата-контрактов и многое другое. Типовые инструменты управления качеством данных часто не обеспечивают полного покрытия всех подобных процессов. Может ли в этом помочь решение для управления метаданными? Доклад посвящен ответу на этот вопрос. Особое внимание уделено обсуждению способов устранения разрывов и пробелов в процессах управления качеством с помощью решения по управлению метаданными. Кроме этого разбирается важность бесшовной интеграции и обеспечение гибкости соответствующих инструментов.

Роль бизнеса в управлении качеством данных: что изменилось за три года?

Как с 2022 года изменились зрелость и степень участия бизнес-подразделений в процессах управления данными в целом и их качеством, в частности? Доклад посвящен ответу на этот вопрос. Особое внимание уделено разбору препятствий на пути вовлечения бизнеса в процессы контроля за качеством данных, а также обсуждению мер, призванных преодолеть подобные барьеры. В первую очередь речь идет не о технических инструментах, а об организационных и архитектурных решениях, помогающих донести ценность управления данными до функциональных подразделений и их руководителей с целью облегчения их участия в процессах управления качеством данных.

Децентрализованный подход к качеству данных

Любые успешные бизнес-инициативы начинаются с надежных качественных данных – сегодня буквально жизненно важно сделать правильный выбор в отношении стратегической модели управления качеством в масштабах всего предприятия. Компании всех отраслей – от крупнейших транснациональных корпораций до МСП – ищут новые формулы обеспечения бесперебойности поставок и устойчивости производственных процессов, опираясь на точные, качественные данные. Доклад посвящен обсуждению предпосылок выбора децентрализованной модели управления данными, разбору преимуществ и недостатков децентрализованного и централизованного подхода к контролю качества данных, а также разбору особенностей назначения ролей в процессах обеспечения качества данных. Особое внимание уделено анализу практики митигации недостатков децентрализованного подхода.

Эффективное управление данными в производственных компаниях

Усиление конкуренции в сфере продаж товаров повседневного спроса (FMCG) и особенно в формате онлайн-торговли, приводит к тому, что эффективное управление данными и обеспечение их качества становится критически важным как для выполнения проектов цифровой трансформации, так и для оперативного реагирования на изменения бизнес-среды. Доклад посвящен обсуждению сценариев управления мастер-данными, интеграции систем MDM и каталогов данных, их влиянии на качество data-ландшафта, а также особенностей применения платформы Arenadata для решения задачи повышения качества данных. Особое внимание уделено демонстрации преимуществ эффективного управления мастер-данными, позволяющего снизить число ошибок, вызванных дублированием, некорректным вводом и пр., оказывающих непосредственное влияние на эффективность работы предприятия.

Чистота данных – залог качественного анализа объектов и субъектов товарных рынков

Множество источников данных, дублирование разной степени детализации, разнообразная терминология, отсутствие отраслевых знаний у технических специалистов, занятых агрегацией – все эти факторы приводят к появлению некачественной статистики и ошибкам в аналитике. Доклад посвящен проблеме влияния качества данных сферы электронных закупок на качество принимаемых решений. Разбираются ключевые этапы обработки данных в сфере электронных закупок, призванные обеспечить достоверный и точный анализ товарных рынков и деятельности присутствующих на нем компаний. Особое внимание уделено принципам выбора источников, сбору и очистке, нормализации и структурированию, а также агрегированию данных. Обозначены пути решения проблем дублирования, неполноты и изменения данных во внешних источниках.